Skip to content
Voltar aos resultados

Pesquisa Longitudinal — Delineamento de Pesquisa Longitudinal

Proposto por
No single originator; foundational methodological treatments by Stuart Menard and Judith Singer & John Willett
Ano
Late 19th–early 20th century; methodologically codified through the 20th century
Tipo
Quantitative (or mixed) observational research design
Família
Survey / observational design

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

O que ele faz?

Pesquisa longitudinal é um delineamento observacional no qual os mesmos participantes, grupos ou unidades são medidos repetidamente ao longo de um período estendido.

Em vez de capturar um único "instantâneo", ela rastreia a mudança, a estabilidade e a sequência temporal das variáveis — tornando-a a principal estratégia não experimental para estudar o desenvolvimento, o crescimento, o declínio e o desdobramento de processos causais ao longo do tempo.

A intuição por trás do método

Pense na pesquisa longitudinal como o acompanhamento das mesmas pessoas (ou organizações, ou escolas) através de uma série de pontos de verificação, em vez de fotografar muitas pessoas diferentes de uma só vez. Ao retornar às mesmas unidades, o pesquisador pode ver quem mudou, em que medida, em que direção e se as medidas iniciais preveem resultados posteriores. Esse rastreamento temporal é o que distingue os delineamentos longitudinais dos transversais: em vez de inferir a mudança a partir de diferenças entre grupos medidos em um único momento, você observa a mudança diretamente dentro das mesmas unidades medidas em múltiplos momentos.

História

Os métodos longitudinais surgiram no final do século XIX através de estudos de crescimento que rastreavam o desenvolvimento físico de crianças e na epidemiologia através de estudos de coorte que rastreavam a incidência de doenças. Grandes conjuntos de dados longitudinais do século XX — incluindo o Berkeley Growth Study (1928), os British Cohort Studies (1958, 1970) e o Framingham Heart Study (1948) — moldaram o desenvolvimento da metodologia. Os arcabouços estatísticos para a análise de dados longitudinais amadureceram substancialmente nas décadas de 1980 e 1990 através do trabalho de pesquisadores como Judith Singer, John Willett e Michael Raudenbush, culminando em livros didáticos e softwares amplamente adotados para modelagem multinível e de curva de crescimento.

Quando usar

Use pesquisa longitudinal quando a questão central se refere à mudança ou desenvolvimento ao longo do tempo — por exemplo, como o desempenho acadêmico evolui do ensino fundamental ao médio, como as trajetórias de saúde se desdobram após um evento médico, ou se uma atitude medida em um ponto prevê o comportamento medido posteriormente. É o delineamento apropriado quando dados transversais não conseguem distinguir efeitos de idade de efeitos de coorte e quando a mudança intraindividual é teoricamente significativa. Não use pesquisa longitudinal quando o fenômeno é essencialmente estático, quando o período de acompanhamento necessário excede os recursos disponíveis, ou quando a evasão na população-alvo for tão severa que a amostra retida se torne não representativa. Delineamentos transversais são mais eficientes quando um único "instantâneo" é suficiente para responder à questão de pesquisa.

Limitações e considerações

  • A evasão (dropout) entre as ondas ameaça a validade interna se aqueles que deixam o estudo diferem sistematicamente daqueles que permanecem.
  • Períodos de acompanhamento longos são intensivos em recursos — financiamento, pessoal e retenção de participantes se acumulam ao longo do tempo.
  • A medição repetida dos mesmos participantes pode produzir efeitos de teste: familiaridade com instrumentos, sensibilização a tópicos ou efeitos de prática em testes.
  • Não pode controlar para variáveis de confusão não medidas que variam no tempo da mesma forma que um experimento randomizado; as afirmações causais permanecem probabilísticas.
  • Mudanças históricas ocorrendo entre as ondas (efeitos de período) podem confundir as tendências observadas e são difíceis de separar do desenvolvimento intraindividual.

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Observa diretamente a mudança intraindividual ou intraunidade, em vez de inferi-la a partir de comparações de idade transversais.
  • Estabelece a ordenação temporal das variáveis, fornecendo evidências mais fortes (embora não conclusivas) para a direção causal do que delineamentos de onda única.
  • Permite a separação de efeitos de idade, efeitos de coorte e efeitos de período quando múltiplas coortes são acompanhadas.
  • Possibilita a estimação de trajetórias de crescimento individuais e a identificação de subgrupos com diferentes padrões de desenvolvimento.
  • Conjuntos de dados longitudinais acumulados (por exemplo, estudos de coorte de nascimento) podem abordar múltiplas questões de pesquisa ao longo de décadas.

Aplicações

  • Rastrear o desenvolvimento cognitivo, o desempenho acadêmico e o crescimento socioemocional da infância à adolescência.
  • Acompanhar coortes de pacientes após cirurgia, diagnóstico ou tratamento para mapear trajetórias de recuperação e identificar preditores de recaída.
  • Monitorar resultados organizacionais ou da força de trabalho — engajamento de funcionários, intenção de rotatividade, produtividade — ao longo de ciclos econômicos.
  • Estudar os efeitos de longo prazo de intervenções políticas em educação, saúde pública ou mercados de trabalho sem atribuição aleatória.
  • Investigar como a personalidade, atitudes e valores mudam ao longo das fases da vida na psicologia do desenvolvimento e social.
  • Modelar a incidência de doenças e o acúmulo de fatores de risco em estudos epidemiológicos de coorte de nascimento ou coorte ocupacional.

Como funciona

Como funciona

1

O pesquisador define a questão de pesquisa em termos de mudança ou estabilidade ao longo do tempo e decide sobre a estrutura longitudinal: um delineamento de painel (mesmos indivíduos em cada onda), um delineamento de coorte (um grupo que compartilha uma experiência comum acompanhado prospectivamente) ou um delineamento de tendência (mesma população amostrada independentemente em cada onda). O período de tempo, o número de ondas de medição e os intervalos entre as ondas são planejados para corresponder ao ritmo esperado de mudança no fenômeno de interesse.

2

Uma amostra de participantes ou unidades é recrutada, sendo representativa da população-alvo e grande o suficiente para permanecer analiticamente adequada após a evasão esperada entre as ondas (attrition). Os critérios de recrutamento devem ser claramente especificados para que a amostra inicial possa ser rastreada e recontatada entre as ondas. Em delineamentos de painel e coorte, manter as informações de contato e o engajamento dos participantes entre as ondas é uma preocupação logística crítica desde o início.

3

Os dados são coletados das mesmas unidades em cada onda predeterminada, utilizando instrumentos e procedimentos consistentes. Os instrumentos devem ser mantidos constantes entre as ondas para garantir a equivalência de medição; quaisquer atualizações necessárias devem ser avaliadas quanto à comparabilidade. Fontes de dados comuns incluem pesquisas, testes padronizados, registros administrativos e avaliações biológicas ou comportamentais. Cada onda de coleta de dados é, em si, um evento de medição completo que requer amostragem, trabalho de campo e controle de qualidade.

4

Dados longitudinais exigem gerenciamento meticuloso de dados: vinculação de registros entre ondas usando identificadores únicos de participantes, tratamento de dados ausentes decorrentes de evasão ou padrões de salto, e documentação de mudanças em instrumentos ou condições de administração. Dados ausentes são tratados analiticamente — a máxima verossimilhança com informação completa (FIML) e a imputação múltipla (MI) são preferidas em relação à exclusão por lista (listwise deletion) porque a evasão raramente é completamente aleatória (MCAR).

5

A mudança ao longo do tempo é examinada usando abordagens analíticas que correspondem à estrutura dos dados e à questão de pesquisa. Estratégias comuns incluem modelagem de curva de crescimento (trajetórias individuais via modelos multinível ou de curva de crescimento latente), regressão de painel com efeitos fixos e aleatórios, modelos de painel cruzado-defasado para causalidade recíproca, e análise de sobrevivência ou de história de eventos para resultados de tempo até o evento. Resumos descritivos da mudança onda a onda precedem a modelagem inferencial.

6

Os achados são interpretados em termos da direção, taxa e preditores de mudança — e explicitamente qualificados pelas limitações do delineamento (observacional, não experimental; possíveis efeitos de seleção). A ordenação temporal das variáveis — medidas em ondas distintas — fornece evidências mais fortes para a direção causal do que dados transversais, mas o confundimento por covariáveis não medidas que variam no tempo deve ser reconhecido.

Erros comuns

  • Ignorar o viés de evasão — relatar resultados de casos completos sem testar se os desistentes diferem dos que completam em variáveis basais chave, ou sem usar métodos de dados ausentes baseados em princípios (FIML, MI), aumenta o risco de estimativas enviesadas.
  • Não equivalência de medição entre as ondas — se a redação do instrumento, as escalas de resposta ou as condições de administração mudam entre as ondas, a mudança aparente nos escores pode refletir um desvio de medição em vez de uma mudança verdadeira; a invariância configural e métrica deve ser testada.
  • Poucas ondas para modelos de mudança complexos — ajustar modelos de curva de crescimento com apenas duas ondas restringe o modelo a uma linha reta e impede a detecção de trajetórias não lineares; planeje pelo menos três ondas sempre que uma mudança quadrática ou curvilínea for plausível.
  • Confundir subtipos de delineamento — delineamentos de painel, coorte e tendência têm diferentes estruturas de amostragem e respondem a diferentes perguntas; tratá-los de forma intercambiável leva a erros analíticos e generalizações inadequadas.
  • Subestimar os efeitos do intervalo de acompanhamento — intervalos muito curtos podem não capturar mudanças significativas; intervalos muito longos podem perder variações intermediárias importantes ou efeitos de pico.

Perguntas frequentes

Como a pesquisa longitudinal difere de um estudo de painel e um estudo de coorte?

Todos os três são longitudinais, mas diferem na estrutura de amostragem. Um estudo de painel rastreia os mesmos indivíduos em cada onda e é projetado para medir a mudança em nível individual. Um estudo de coorte acompanha pessoas que compartilham uma característica ou experiência definidora (por exemplo, nascidas no mesmo ano, diagnosticadas no mesmo período) e foca em trajetórias em nível de grupo. Um estudo de tendência pesquisa amostras independentes da mesma população em cada onda e descreve a mudança em nível populacional sem rastrear indivíduos. A escolha depende se a mudança intraindividual, as trajetórias de grupo ou as tendências populacionais são o alvo principal.

Quantas ondas de medição eu preciso?

O mínimo são duas ondas para estabelecer a mudança, mas duas ondas permitem apenas um escore de diferença e não podem modelar a forma da mudança. Três ondas são o mínimo prático para a modelagem de curva de crescimento, pois permitem que uma trajetória quadrática seja estimada. Mais ondas melhoram a precisão das estimativas de trajetória individual e permitem que padrões de mudança mais complexos sejam detectados. Planeje as ondas para se alinharem com intervalos teoricamente significativos, dado o ritmo esperado de mudança.

Como devo lidar com dados ausentes devido à evasão?

Primeiro, teste se os desistentes diferem dos que completam em variáveis basais chave (análise de evasão). Em seguida, use métodos de dados ausentes baseados em princípios, em vez de exclusão por lista: máxima verossimilhança com informação completa (FIML) sob estimação de máxima verossimilhança, ou imputação múltipla (MI) antes da análise. Ambos assumem que os dados estão ausentes aleatoriamente (MAR) condicionalmente às variáveis observadas. Se houver suspeita de que a ausência dependa do próprio resultado não observado (ausente não aleatoriamente, MNAR), análises de sensibilidade usando modelos de mistura de padrões ou de seleção são justificadas.

O delineamento longitudinal prova causalidade?

A ordenação temporal — medir um preditor antes do resultado — é uma condição necessária para a causalidade, e os delineamentos longitudinais a estabelecem mais diretamente do que os transversais. No entanto, os delineamentos longitudinais observacionais não podem descartar o confundimento por variáveis não medidas, portanto, não provam a causalidade. Técnicas como modelos de painel cruzado-defasado, regressão de efeitos fixos e abordagens de variáveis instrumentais podem fortalecer as inferências causais, mas cada uma carrega suas próprias suposições. Experimentos randomizados permanecem o padrão ouro para afirmações causais.

Qual é o risco de efeitos de teste na medição repetida?

Quando os participantes completam os mesmos ou semelhantes instrumentos repetidamente, sua familiaridade com os formatos dos itens, a sensibilização aos tópicos do estudo ou a prática em testes cognitivos podem inflar ou deflacionar os escores independentemente da mudança verdadeira. Os riscos são maiores com intervalos inter-ondas curtos e com medidas baseadas em desempenho. Estratégias de mitigação incluem o uso de formas paralelas de instrumentos, a incorporação de grupos de controle e a avaliação da confiabilidade teste-reteste em estudos piloto.

Métodos relacionados

Fontes

  1. Menard, S. (2002). Longitudinal Research (2nd ed.). Sage Publications.

    ISBN: 978-0761922841
    Copiado.
  2. Singer, J. D., & Willett, J. B. (2003). Applied Longitudinal Data Analysis: Modeling Change and Event Occurrence. Oxford University Press.

    ISBN: 978-0195152968
    Copiado.